論文の概要: Blind2Unblind: Self-Supervised Image Denoising with Visible Blind Spots
- arxiv url: http://arxiv.org/abs/2203.06967v1
- Date: Mon, 14 Mar 2022 10:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 15:57:59.395500
- Title: Blind2Unblind: Self-Supervised Image Denoising with Visible Blind Spots
- Title（参考訳）: Blind2Unblind:視覚的な盲点で自己監督された画像
- Authors: Zejin Wang, Jiazheng Liu, Guoqing Li, Hua Han
- Abstract要約: 自己監督型復調法、特に盲点駆動型は、入力やネットワーク設計において大きな情報損失を被る。
Blind2Unblind は,盲点駆動型 denoising 手法における情報損失を克服するために提案される。
- 参考スコア（独自算出の注目度）: 7.213855322671063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real noisy-clean pairs on a large scale are costly and difficult to obtain.
Meanwhile, supervised denoisers trained on synthetic data perform poorly in
practice. Self-supervised denoisers, which learn only from single noisy images,
solve the data collection problem. However, self-supervised denoising methods,
especially blindspot-driven ones, suffer sizable information loss during input
or network design. The absence of valuable information dramatically reduces the
upper bound of denoising performance. In this paper, we propose a simple yet
efficient approach called Blind2Unblind to overcome the information loss in
blindspot-driven denoising methods. First, we introduce a global-aware mask
mapper that enables global perception and accelerates training. The mask mapper
samples all pixels at blind spots on denoised volumes and maps them to the same
channel, allowing the loss function to optimize all blind spots at once.
Second, we propose a re-visible loss to train the denoising network and make
blind spots visible. The denoiser can learn directly from raw noise images
without losing information or being trapped in identity mapping. We also
theoretically analyze the convergence of the re-visible loss. Extensive
experiments on synthetic and real-world datasets demonstrate the superior
performance of our approach compared to previous work. Code is available at
https://github.com/demonsjin/Blind2Unblind.
- Abstract（参考訳）: 大規模な実雑音とクリーンなペアは高価で入手が難しい。
一方で、合成データで訓練された教師付きデノイザーは、実際には不十分である。
単一ノイズ画像からのみ学習する自己教師型デノイザは、データ収集問題を解決する。
しかし、特に盲点駆動の自己教師型復調法は、入力やネットワーク設計において大きな情報損失を被る。
貴重な情報がないことにより、デノナイジング性能の上限が劇的に低下する。
本稿では,ブラインドスポット駆動型復調法における情報損失を克服する,Blind2Unblindというシンプルな手法を提案する。
まず,グローバル認識を可能にし,トレーニングを高速化するグローバルウェアマスクマッパーを提案する。
マスクマッパーは、識別されたボリューム上の盲点のすべてのピクセルをサンプリングし、それらを同じチャネルにマップすることで、損失関数を一度にすべての盲点を最適化する。
第2に,目隠しネットワークを訓練し,盲点を視認する再視認性損失を提案する。
デノイザは、情報を失ったり、アイデンティティマッピングに閉じ込められたりすることなく、生のノイズ画像から直接学習することができる。
また,再可視損失の収束を理論的に解析する。
総合的および実世界のデータセットに関する広範な実験は、これまでの研究よりも優れた性能を示している。
コードはhttps://github.com/demonsjin/blind2unblindで入手できる。
関連論文リスト
- Self-supervised Image Denoising with Downsampled Invariance Loss and
Conditional Blind-Spot Network [12.478287906337194]
ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。
標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。
実雑音を除去できる新しい自己教師型トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-19T08:55:27Z) - Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios [44.31657750561106]
実世界のシナリオにおけるノイズはしばしば空間的に相関しており、多くの自己教師型アルゴリズムは性能が良くない。
盲点サイズを自由に調整できる非対称可変ブラインド・スポットネットワーク(AT-BSN)を提案する。
提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付きアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-29T15:19:01Z) - Blind2Sound: Self-Supervised Image Denoising without Residual Noise [5.192255321684027]
Poisson-Gaussianノイズに対する自己監督型視覚障害は依然として困難な課題である。
そこで我々はBlind2Soundを提案する。Blind2Soundは難聴画像の残音を克服するシンプルで効果的な手法である。
論文 参考訳（メタデータ） (2023-03-09T11:21:59Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - View Blind-spot as Inpainting: Self-Supervised Denoising with Mask
Guided Residual Convolution [2.179313476241343]
本稿では,新しいMask Guided Residual Convolution(MGRConv)を共通の畳み込みニューラルネットワークに導入する。
我々のMGRConvはソフトな部分的畳み込みと見なすことができ、部分的畳み込み、学習可能な注意マップ、ゲート的畳み込みのトレードオフを見つけることができる。
実験の結果,提案するプラグイン・アンド・プレイMGRConvは,ブラインドスポットに基づくデノナイジングネットワークを有効活用できることがわかった。
論文 参考訳（メタデータ） (2021-09-10T16:10:08Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated
Convolutional Kernel Architecture [3.796436257221662]
本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。
また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
論文 参考訳（メタデータ） (2020-12-07T12:13:17Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。